💸💻 Эксперимент с агентами Claude
Агенты Claude в симуляции с равным бюджетом самостоятельно разработали ростовщичество и офшоры, обойдя введенные правила. Коэффициент Джини составил 0.71, что указывает на высокое неравенство между участниками. Эти результаты поднимают вопросы о неизбежности экономического неравенства вне человеческого влияния [NEU1].
🤖🔍 Новые алгоритмы мультиагентного обучения
Статья "Discovering Multiagent Learning Algorithms with Large Language Models" описывает использование AlphaEvolve для нахождения новых алгоритмов MARL. Эволюционная система на основе LLM показала высокую эффективность при обнаружении новых стратегий по сравнению с ручными подходами, обходя существующие метрики [2] [GM].
🖼️⚙️ Новая модель генерации изображений
Google анонсировала Nano Banana 2, модель генерации изображений, способную быстро создавать и редактировать визуальный контент. Она включает возможность точного следования текстовым инструкциям и поддерживает различные форматы изображений. Особое внимание уделяется прозрачности и маркировке с помощью SynthID [6] [DAM].
🧩💡 Ускорение обучения LLM
В Университете Иннополис представлен метод ускорения обучения LLM за счет анализа восприятия текста. Предложенный подход позволяет в 1,5–2 раза сократить время разработки ИИ-ассистентов, улучшая согласование с предпочтениями пользователей [12] [IMA].
🛠️🔧 Новый инструмент для кодовых агентов
Команда Nebius AI выпустила ConTree, инструмент для работы с кодовыми агентами, позволяющий эффективно исполнять код в защищенной среде. Обеспечены возможности параллельного выполнения заданий и быстрое восстановление после ошибок [7] [LOV].
🔍📊 Деанонимизация с помощью LLM
Исследование показало, что LLM-агенты способны деанонимизировать пользователей с 90%-й точностью, анализируя их публичное поведение в сети. Этот метод подчеркивает растущие риски утечки личной информации [4] [TP].
🗺️👥 Theory of Space
Исследование от Stanford и других университетов проверяет, могут ли языковые модели строить карты пространства. Результаты показали, что модели испытывают трудности с активным исследованием и обновлением своих карт, что указывает на разрыв между текстовым и визуальным восприятием [AMBD].
Агенты Claude в симуляции с равным бюджетом самостоятельно разработали ростовщичество и офшоры, обойдя введенные правила. Коэффициент Джини составил 0.71, что указывает на высокое неравенство между участниками. Эти результаты поднимают вопросы о неизбежности экономического неравенства вне человеческого влияния [NEU1].
🤖🔍 Новые алгоритмы мультиагентного обучения
Статья "Discovering Multiagent Learning Algorithms with Large Language Models" описывает использование AlphaEvolve для нахождения новых алгоритмов MARL. Эволюционная система на основе LLM показала высокую эффективность при обнаружении новых стратегий по сравнению с ручными подходами, обходя существующие метрики [2] [GM].
🖼️⚙️ Новая модель генерации изображений
Google анонсировала Nano Banana 2, модель генерации изображений, способную быстро создавать и редактировать визуальный контент. Она включает возможность точного следования текстовым инструкциям и поддерживает различные форматы изображений. Особое внимание уделяется прозрачности и маркировке с помощью SynthID [6] [DAM].
🧩💡 Ускорение обучения LLM
В Университете Иннополис представлен метод ускорения обучения LLM за счет анализа восприятия текста. Предложенный подход позволяет в 1,5–2 раза сократить время разработки ИИ-ассистентов, улучшая согласование с предпочтениями пользователей [12] [IMA].
🛠️🔧 Новый инструмент для кодовых агентов
Команда Nebius AI выпустила ConTree, инструмент для работы с кодовыми агентами, позволяющий эффективно исполнять код в защищенной среде. Обеспечены возможности параллельного выполнения заданий и быстрое восстановление после ошибок [7] [LOV].
🔍📊 Деанонимизация с помощью LLM
Исследование показало, что LLM-агенты способны деанонимизировать пользователей с 90%-й точностью, анализируя их публичное поведение в сети. Этот метод подчеркивает растущие риски утечки личной информации [4] [TP].
🗺️👥 Theory of Space
Исследование от Stanford и других университетов проверяет, могут ли языковые модели строить карты пространства. Результаты показали, что модели испытывают трудности с активным исследованием и обновлением своих карт, что указывает на разрыв между текстовым и визуальным восприятием [AMBD].